Dyna의 Lindon Gao, '워크플로 하나가 되면 전부가 된다'며 지출을 사전학습으로

Dyna Robotics의 창업자 겸 CEO인 Lindon Gao는 이번 주 공개된 Zhang Xiaojun의 팟캐스트 商業訪談録(비즈니스 인터뷰) 154회에서 171분 인터뷰에 응하고, 시나리오 하나를 완전히 작동시키는 일은 모든 시나리오를 작동시키는 일과 같다고 말했다. 그 말의 이면에 있는 승부는 예산 배분의 변화다. 사양은 맞췄지만 사람이 곁에서 봐줘야 했던 냅킨 제품을 거치며, Dyna는 사전학습과 사후학습을 반씩 나누던 배분에서 사전학습에 훨씬 많이 쓰는 쪽으로 옮겼다. Gao는 이 변화를 올해의 일로 본다. Dyna가 직접 올린 게시물이 그 검증 재료를 제시한다. 세탁 한 사이클은 약 79개 단계를 잇고, 단계당 95%에서는 "도움 없이는 거의 끝나지 않는다"고 적었다.

쇼노트는 워크플로를 최소 단위로 보고 실제 작업에서 모델 사전학습을 이끄는 Dyna의 노선과, Physical Intelligence의 순수한 두뇌 연구 노선을 대비시킨다. Gao는 워크플로 하나를 해내는 것과 100개를 해내는 것의 차이를 "100개 워크플로 분량의 데이터일 뿐"이라고 표현했다.

냅킨 로봇은 사양은 맞췄지만 사람이 곁에서 봐줘야 했다

Dyna는 2025년 6월 Dyna-1을 출하해 6월부터 9월까지 냅킨 접기에 투입했다. Gao에 따르면 로봇은 다섯 번의 접기 중 네 번을 해냈고, 가장 어려운 마지막 접기는 식당 직원에게 맡겼다. 하루 1,300장의 냅킨이 필요했던 규모가 매우 큰 식당 고객은 마지막 접기에 직원의 시간이 얼마나 들어가는지 보고 불만을 제기했다. Dyna-1은 처음에 24시간 동안 냅킨 850장을 접어 하루 필요량의 약 65%를 채웠고, 속도를 높이는 작업으로 목표에 도달했다. 냅킨 두 장을 한 번에 집으면 푸는 데 약 2분이 걸렸고, Gao는 이중으로 집는 비율이 10%가 되면 하루 목표를 채울 수 없다고 말했다.

냅킨 제품에는 10곳이 넘는 고객이 있었지만, Gao는 로봇이 작업을 끝내도 워크플로 전체를 끝내지 못했기 때문에 2025년에 이 제품을 확장하지 않기로 했다고 말했다. 그는 "로봇에 사람이 곁에서 봐줘야 한다"는 상태를 제품의 매우 큰 문제라고 불렀다.

Gao는 그 이유를 한 줄로 정리했다. "불완전한 제품을 확장하면 나중에 짐이 된다." 근본 문제가 로봇의 두뇌에 있다고 말하는 연구 기관에 대해 묻자, 그는 "두뇌가 부족하다면 어디가 부족한가"라고 되물었고, 이어 "그런데 냅킨 접기 시나리오에서 그것이 두뇌 문제였나"라고 말했다. 작업 안에서는 지능이 제약이 아니었다고 그는 말한다. 시나리오가 실패한 것은 워크플로 전체에 걸친 폐루프가 만들어지지 않았기 때문이다.

사전학습이 커지고, Gao는 데이터 품질에 대한 자신의 규칙을 뒤집는다

Gao에 따르면 2025년 당시 파운데이션 모델은 배치할 만한 수준이 아니었다. 느리고 엉성했으며, 한 가지 일을 한 번 성공시키는 정도였다. 그래서 그는 팀에 성공률 99%를 연구 목표로 걸었다. Dyna-1에는 Gao가 최고 품질이라고 부른 데이터를 썼고, 팀에 그것에 전부를 걸라고 지시했다. 그는 일부 데이터를 빼면 사전학습이 좋아진다고 보고한 언어모델과 영상 생성 연구자들에게서 듣고 싶은 것만 골라 들었다고 말한다.

워크플로가 규칙을 바꿨다. Gao에 따르면 Dyna가 워크플로 하나를 단위로 삼자, 우선순위는 모델이 얼마나 다양하고 넓은 인간 경험을 보느냐가 됐고, 인터넷 규모의 데이터에 도달하기 전의 과도한 품질 최적화는 "반드시 제1원리는 아니다"라고 했다. 그는 2025년 말 무렵 Dyna가 전략적 혼란의 시기를 겪었고 배치를 우선하는 그룹과 연구를 우선하는 그룹으로 갈렸으며, 자신은 연구 쪽으로 기울었다고 말했다. 올해 들어 배분이 움직여 사전학습이 이제 사후학습보다 훨씬 많은 예산을 차지한다. 모델의 견고함 대부분은 사전학습에서 나온다고 그는 말했다.

79단계 사이클을 무인으로 끝내려면 단계당 99.9%에 가까운 성공률이 필요하다

이 79개 단계를 각각 독립으로 보고 복구를 전혀 허용하지 않으면, 단계당 95%에서 사이클이 완료될 확률은 약 **1.7%**다. 99%면 약 45%, 99.9%면 약 92%다. Dyna의 79단계라는 수치는 추정이고, 실제 시스템은 일부 실패에서 복구한다. 이 산술에서는 워크플로 하나가 무인 교대조 하나를 맡을 수 있는 것은 단계당 신뢰도가 99.9%에 가까울 때뿐이다.

Dyna는 9월 29일 Taku를 선보였다. 상체가 사람형이고 하체가 접히는 세미 휴머노이드로, 조향 가능한 바퀴 4개와 저감속 유성 감속기 액추에이터를 쓴 7자유도 팔 2개를 갖췄다. 회사는 1시간짜리 세탁실 워크플로를 무편집 자율로 수행하는 모습을 공개했다. 스택은 3계층으로 돈다. 시뮬레이션에서 강화학습으로 훈련해 100Hz로 도는 전신 제어기, 전신 목표 궤적을 만들어내는 월드-액션 모델인 Dyna-2 정책, 그리고 워크플로를 추적하고 텍스트 기억을 유지하며 다음 단계를 고르는 시각언어모델 오케스트레이터다. Dyna는 세탁 한 사이클에서 13개의 결정 지점을 센다.

사전학습 승부에는 자체 숫자가 있다. 2026년 8월에 공개된 Dyna-2는 100만 시간이 넘는 1인칭 인간 영상, 대략 170년 분량으로 사전학습됐고, 14개 과제에서 정규화 점수 평균은 인간 데이터가 1,000시간, 1만 시간, 10만 시간, 100만 시간으로 늘어나는 동안 20%, 28%, 45%, 53%로 올랐다. 1,000배 증가에서 33포인트 상승이다. 두 모델 모두 본 적 없는 고객 현장에서 Dyna는 Dyna-1의 생산 합격률 46%, Dyna-2는 **87%**라고 보고하며, 41포인트 차이다.

워크플로마다 여전히 고유의 복구 작업이 필요하다

Gao 자신의 설명은 데이터 논리가 어디까지 닿는지를 제한한다. 정해진 위치의 바구니에 냅킨을 가지런히 놓는 일은 사전학습이 언어를 통해 풀 수 있는 문제라고 그는 말했고, Dyna는 자사 VLA의 약한 언어 지시 수행을 사전학습 탓으로 돌렸다. 냅킨 두 장을 한 번에 집는 일은 사전학습이 풀 수 없는 문제라서, 워크플로는 그 고유의 실패에 대한 사후학습 작업이 여전히 필요하다.

87%라는 수치는 실제 고객 현장의 증거지만, 이는 고정형 과제에서 나온 것이고, Dyna는 새 현장이 최단 3일 만에 생산 기준에 도달한다고도 말한다. 워크플로 전체에 대해서는 아직 비교할 만한 수치가 없다.

Dyna의 9월 문서 두 건은 배치가 어디까지 갔는지에 대해 서로 어긋난다. 기술 게시물은 실제 고객 현장을 "다음 이정표"라고 부르는 반면, 같은 날의 보도자료는 Dyna 2.1이 호텔, 코인세탁소, 식당에 배치되고 있다고 말한다. Gao는 이 워크플로에 상업 고객이 있지만 "아직 완전히 배치되지는 않았다"고 말하며 호텔을 꼽았다. 호텔별 세탁실은 호텔에 따라 2명에서 5명이 필요하고, 이 방식이 미국 호텔 10만 곳에 닿을 수 있으며, 그 시장을 "수십억 달러"로 봤다. 로봇이 확장 가능한 제품-시장 적합성에 도달하기까지는 "1~2년"이 남았다고 했고, Dyna가 이미 자신의 가치 지표를 앞선다고도 했다. 24시간 일하는 로봇이 미국 노동자의 8시간 근무에 맞먹는다는 지표다.

87%가 고객 현장의 세탁 워크플로 전체에서 유지된다면, 사전학습으로의 전환은 그 수치를 사들인 것이었던 것처럼 보일 것이다.

2025년 냅킨 개발에서 직원이 새 묶음을 제자리에 놓지 않아 로봇이 30분 내리 멈춰 있던 때도 있었다고 Gao는 말했다. 9월, Taku는 세탁실을 무편집 1시간 동안 혼자 돌렸다.